Introducción
Para el modelo de Análisis Discriminante Lineal vamos a utilizar la
función LinearDiscriminantAnalysis del paquete
sklearn. Para mayor información de la función puede
ingresar al siguiente enlace: https://scikit-learn.org/stable/modules/generated/sklearn.discriminant_analysis.LinearDiscriminantAnalysis.html
En cuanto al modelo de Análisis Discriminante Cuadrático vamos a
utilizar la función QuadraticDiscriminantAnalysis del
paquete sklearn. Para mayor información de la función puede
ingresar al siguiente enlace: https://scikit-learn.org/stable/modules/generated/sklearn.discriminant_analysis.QuadraticDiscriminantAnalysis.html
Paquetes a utilizar
import os
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from sklearn.discriminant_analysis import LinearDiscriminantAnalysis
from sklearn.discriminant_analysis import QuadraticDiscriminantAnalysis
from sklearn.metrics import confusion_matrix
from pandas import DataFrame
from matplotlib import colors as mcolors
import warnings
warnings.filterwarnings('ignore')Clase Analisis_Predictivo
from pandas import DataFrame
import seaborn as sns
class Analisis_Predictivo:
def __init__(self,datos:DataFrame, predecir:str, predictoras = [],
modelo = None,train_size = 80,random_state = None):
'''
datos: Datos completos y listos para construir un modelo
modelo: Instancia de una Clase de un método de clasificación(KNN,Árboles,SVM,etc).
Si no especifica un modelo no podrá utilizar el método fit_n_review()
predecir: Nombre de la variable a predecir
predictoras: Lista de los nombres de las variables predictoras.
Si vacío entonces utiliza todas las variables presentes excepto la variable a predecir.
train_size: Proporción de la tabla de entrenamiento respecto a la original.
random_state: Semilla aleatoria para la división de datos(training-testing).
'''
self.__datos = datos
self.__predecir = predecir
self.__predictoras = predictoras
self.__modelo = modelo
self.__random_state = random_state
if modelo != None:
self.__train_size = train_size
self._training_testing()
@property
def datos(self):
return self.__datos
@property
def predecir(self):
return self.__predecir
@property
def predictoras(self):
return self.__predictoras
@property
def modelo(self):
return self.__modelo
@property
def random_state(self):
return self.__random_state
@property
def train_size(self):
return self.__train_size
@datos.setter
def datos(self, datos):
self.__datos = datos
@predecir.setter
def predecir(self, predecir):
self.__predecir = predecir
@predictoras.setter
def predictoras(self, predictoras):
self.__predictoras = predictoras
@modelo.setter
def modelo(self, modelo):
self.__modelo = modelo
@random_state.setter
def random_state(self, random_state):
self.__random_state = random_state
@train_size.setter
def train_size(self, train_size):
self.__train_size = train_size
def _training_testing(self):
if len(self.predictoras) == 0:
X = self.datos.drop(columns=[self.predecir])
else:
X = self.datos[self.predictoras]
y = self.datos[self.predecir].values
train_test = train_test_split(X, y, train_size=self.train_size,
random_state=self.random_state)
self.X_train, self.X_test,self.y_train, self.y_test = train_test
def fit_predict(self):
if(self.modelo != None):
self.modelo.fit(self.X_train,self.y_train)
return self.modelo.predict(self.X_test)
def fit_predict_resultados(self, imprimir = True):
if(self.modelo != None):
y = self.datos[self.predecir].values
prediccion = self.fit_predict()
MC = confusion_matrix(self.y_test, prediccion)
indices = self.indices_general(MC,list(np.unique(y)))
if imprimir == True:
for k in indices:
print("\n%s:\n%s"%(k,str(indices[k])))
return indices
def indices_general(self,MC, nombres = None):
"Método para calcular los índices de calidad de la predicción"
precision_global = np.sum(MC.diagonal()) / np.sum(MC)
error_global = 1 - precision_global
precision_categoria = pd.DataFrame(MC.diagonal()/np.sum(MC,axis = 1)).T
if nombres!=None:
precision_categoria.columns = nombres
return {"Matriz de Confusión":MC,
"Precisión Global":precision_global,
"Error Global":error_global,
"Precisión por categoría":precision_categoria}
def distribucion_variable_predecir(self):
"Método para graficar la distribución de la variable a predecir"
variable_predict = self.predecir
data = self.datos
colors = list(dict(**mcolors.CSS4_COLORS))
df = pd.crosstab(index=data[variable_predict],columns="valor") / data[variable_predict].count()
fig = plt.figure(figsize=(10,9))
g = fig.add_subplot(111)
countv = 0
titulo = "Distribución de la variable %s" % variable_predict
for i in range(df.shape[0]):
g.barh(1,df.iloc[i],left = countv, align='center',color=colors[11+i],label= df.iloc[i].name)
countv = countv + df.iloc[i]
vals = g.get_xticks()
g.set_xlim(0,1)
g.set_yticklabels("")
g.set_title(titulo)
g.set_ylabel(variable_predict)
g.set_xticklabels(['{:.0%}'.format(x) for x in vals])
countv = 0
for v in df.iloc[:,0]:
g.text(np.mean([countv,countv+v]) - 0.03, 1 , '{:.1%}'.format(v), color='black', fontweight='bold')
countv = countv + v
g.legend(loc='upper center', bbox_to_anchor=(1.08, 1), shadow=True, ncol=1)
def poder_predictivo_categorica(self, var:str):
"Método para ver la distribución de una variable categórica respecto a la predecir"
data = self.datos
variable_predict = self.predecir
df = pd.crosstab(index= data[var],columns=data[variable_predict])
df = df.div(df.sum(axis=1),axis=0)
titulo = "Distribución de la variable %s según la variable %s" % (var,variable_predict)
g = df.plot(kind='barh',stacked=True,legend = True, figsize = (10,9), \
xlim = (0,1),title = titulo, width = 0.8)
vals = g.get_xticks()
g.set_xticklabels(['{:.0%}'.format(x) for x in vals])
g.legend(loc='upper center', bbox_to_anchor=(1.08, 1), shadow=True, ncol=1)
for bars in g.containers:
plt.setp(bars, width=.9)
for i in range(df.shape[0]):
countv = 0
for v in df.iloc[i]:
g.text(np.mean([countv,countv+v]) - 0.03, i , '{:.1%}'.format(v), color='black', fontweight='bold')
countv = countv + v
def poder_predictivo_numerica(self,var:str):
"Función para ver la distribución de una variable numérica respecto a la predecir"
sns.FacetGrid(self.datos, hue=self.predecir, height=6).map(sns.kdeplot, var, shade=True).add_legend()Análisis Discriminante Lineal
Ejemplo 1
Carga de datos
Se cargan los datos de iris.
datos = pd.read_csv('../datos/iris.csv', delimiter = ';', decimal = ".")
print(datos.shape)## (150, 5)print(datos.head())## s.largo s.ancho p.largo p.ancho tipo
## 0 5.1 3.5 1.4 0.2 setosa
## 1 4.9 3.0 1.4 0.2 setosa
## 2 4.7 3.2 1.3 0.2 setosa
## 3 4.6 3.1 1.5 0.2 setosa
## 4 5.0 3.6 1.4 0.2 setosaprint(datos.info())## <class 'pandas.core.frame.DataFrame'>
## RangeIndex: 150 entries, 0 to 149
## Data columns (total 5 columns):
## # Column Non-Null Count Dtype
## --- ------ -------------- -----
## 0 s.largo 150 non-null float64
## 1 s.ancho 150 non-null float64
## 2 p.largo 150 non-null float64
## 3 p.ancho 150 non-null float64
## 4 tipo 150 non-null object
## dtypes: float64(4), object(1)
## memory usage: 6.0+ KB
## NonePoder Predictivo
Creamos una instancia de la clase Analisis_Predictivo()
sin especificar un modelo.
analisis_Iris = Analisis_Predictivo(datos, predecir = "tipo")Distribución de la variable a predecir.
analisis_Iris.distribucion_variable_predecir()
plt.show()
Poder predictivo.
for var in datos.columns[0:4]:
if(datos[var].dtype in ['float64', 'int', 'float']):
analisis_Iris.poder_predictivo_numerica(var)
plt.show()
else:
analisis_Iris.poder_predictivo_categorica(var)
plt.show()
Predicción
Creamos una instancia de la clase
LinearDiscriminantAnalysis.
# Usamos los parámetros por defecto
lda = LinearDiscriminantAnalysis()Creamos una instancia de la clase Analisis_Predictivo()
especificando un modelo predictivo.
analisis_Iris = Analisis_Predictivo(datos, predecir = "tipo", modelo = lda,
train_size = 0.7, random_state = 0)Entrena el modelo y realiza la predicción sobre la tabla de testing
llamando al método fit_predict().
print("Las predicciones en Testing son: {}".format(analisis_Iris.fit_predict()))## Las predicciones en Testing son: ['virginica' 'versicolor' 'setosa' 'virginica' 'setosa' 'virginica'
## 'setosa' 'versicolor' 'versicolor' 'versicolor' 'virginica' 'versicolor'
## 'versicolor' 'versicolor' 'versicolor' 'setosa' 'versicolor' 'versicolor'
## 'setosa' 'setosa' 'virginica' 'versicolor' 'setosa' 'setosa' 'virginica'
## 'setosa' 'setosa' 'versicolor' 'versicolor' 'setosa' 'virginica'
## 'versicolor' 'setosa' 'virginica' 'virginica' 'versicolor' 'setosa'
## 'virginica' 'versicolor' 'versicolor' 'virginica' 'setosa' 'virginica'
## 'setosa' 'setosa']Entrena el modelo y realiza la predicción sobre la tabla de testing,
además muestra los principales índices de precisión para medir la
calidad del modelo. Esto utilizando el método
fit_predict_resultados().
resultados = analisis_Iris.fit_predict_resultados()##
## Matriz de Confusión:
## [[16 0 0]
## [ 0 17 1]
## [ 0 0 11]]
##
## Precisión Global:
## 0.9777777777777777
##
## Error Global:
## 0.022222222222222254
##
## Precisión por categoría:
## setosa versicolor virginica
## 0 1.0 0.944444 1.0Predicción con selección de variables
#Instancia de la clase(Modelo)
lda = LinearDiscriminantAnalysis()
analisis_Iris = Analisis_Predictivo(datos, predecir = "tipo", predictoras = ["p.ancho","p.largo"],
modelo = lda, train_size = 0.7, random_state = 0)
#Podemos ver la tabla de training
analisis_Iris.X_train.head()## p.ancho p.largo
## 60 1.0 3.5
## 116 1.8 5.5
## 144 2.5 5.7
## 119 1.5 5.0
## 108 1.8 5.8#Entrenamos, predecimos y medimos la calidad del modelo generado
resultados = analisis_Iris.fit_predict_resultados()##
## Matriz de Confusión:
## [[16 0 0]
## [ 0 17 1]
## [ 0 1 10]]
##
## Precisión Global:
## 0.9555555555555556
##
## Error Global:
## 0.0444444444444444
##
## Precisión por categoría:
## setosa versicolor virginica
## 0 1.0 0.944444 0.909091Ejemplo 2
Carga de datos
Se cargan los datos de Scoring de Crédito.
datos = pd.read_csv('../datos/MuestraCredito5000V2.csv', delimiter = ';', decimal = ".")
print(datos.shape)## (5000, 6)print(datos.head())## MontoCredito IngresoNeto ... GradoAcademico BuenPagador
## 0 14327 1 ... Bachiller Si
## 1 111404 1 ... Bachiller Si
## 2 21128 1 ... Bachiller Si
## 3 15426 2 ... Bachiller Si
## 4 10351 1 ... Bachiller Si
##
## [5 rows x 6 columns]print(datos.info())## <class 'pandas.core.frame.DataFrame'>
## RangeIndex: 5000 entries, 0 to 4999
## Data columns (total 6 columns):
## # Column Non-Null Count Dtype
## --- ------ -------------- -----
## 0 MontoCredito 5000 non-null int64
## 1 IngresoNeto 5000 non-null int64
## 2 CoefCreditoAvaluo 5000 non-null int64
## 3 MontoCuota 5000 non-null object
## 4 GradoAcademico 5000 non-null object
## 5 BuenPagador 5000 non-null object
## dtypes: int64(3), object(3)
## memory usage: 234.5+ KB
## NoneNota: Está tomando erroneamente los datos como numéricos, en este caso se deben convertir las variables categóricas porque en realidad estos numéros son códigos NO es que siempre se deban convertir las variables numéricas a categórica.
# Convierte las variables de object a categórica
datos['IngresoNeto'] = datos['IngresoNeto'].astype('category')
datos['CoefCreditoAvaluo'] = datos['CoefCreditoAvaluo'].astype('category')
datos['MontoCuota'] = datos['MontoCuota'].astype('category')
datos['GradoAcademico'] = datos['GradoAcademico'].astype('category')
# Recodifica las categorías usando números
datos["MontoCuota"] = datos["MontoCuota"].cat.codes
datos["GradoAcademico"] = datos["GradoAcademico"].cat.codes
# Convierte las variables de entero a categórica
datos['MontoCuota'] = datos['MontoCuota'].astype('category')
datos['GradoAcademico'] = datos['GradoAcademico'].astype('category')
print(datos.head())## MontoCredito IngresoNeto ... GradoAcademico BuenPagador
## 0 14327 1 ... 0 Si
## 1 111404 1 ... 0 Si
## 2 21128 1 ... 0 Si
## 3 15426 2 ... 0 Si
## 4 10351 1 ... 0 Si
##
## [5 rows x 6 columns]print(datos.info())## <class 'pandas.core.frame.DataFrame'>
## RangeIndex: 5000 entries, 0 to 4999
## Data columns (total 6 columns):
## # Column Non-Null Count Dtype
## --- ------ -------------- -----
## 0 MontoCredito 5000 non-null int64
## 1 IngresoNeto 5000 non-null category
## 2 CoefCreditoAvaluo 5000 non-null category
## 3 MontoCuota 5000 non-null category
## 4 GradoAcademico 5000 non-null category
## 5 BuenPagador 5000 non-null object
## dtypes: category(4), int64(1), object(1)
## memory usage: 98.6+ KB
## NonePoder Predictivo
Configuramos y creamos nuestras instancias.
lda = LinearDiscriminantAnalysis()
analisis_scoring = Analisis_Predictivo(datos, predecir = "BuenPagador", modelo = lda,
train_size = 0.75, random_state = 0)Balance de las clases en la variable a predecir - Problema desvalanceado.
analisis_scoring.distribucion_variable_predecir()
plt.show()
Poder predictivo.
for var in datos.columns[0:5]:
if(datos[var].dtype in ['float64', 'int', 'float']):
analisis_scoring.poder_predictivo_numerica(var)
plt.show()
else:
analisis_scoring.poder_predictivo_categorica(var)
plt.show()
Predicción
Entrenamos el modelo y medimos la calidad del mismo con la predicción generada con base a la tabla de testing.
resultados = analisis_scoring.fit_predict_resultados()##
## Matriz de Confusión:
## [[ 9 157]
## [ 19 1065]]
##
## Precisión Global:
## 0.8592
##
## Error Global:
## 0.14080000000000004
##
## Precisión por categoría:
## No Si
## 0 0.054217 0.982472También podemos simplemente guardar los resultados y no imprimir en pantalla.
resultados = analisis_scoring.fit_predict_resultados(imprimir = False)
resultados## {'Matriz de Confusión': array([[ 9, 157],
## [ 19, 1065]]), 'Precisión Global': 0.8592, 'Error Global': 0.14080000000000004, 'Precisión por categoría': No Si
## 0 0.054217 0.982472}Ejemplo 3
Carga de datos
Se cargan los datos de SAHeart.
datos = pd.read_csv('../datos/SAheart.csv',delimiter=';',decimal=".")
print(datos.shape)## (462, 10)print(datos.info())## <class 'pandas.core.frame.DataFrame'>
## RangeIndex: 462 entries, 0 to 461
## Data columns (total 10 columns):
## # Column Non-Null Count Dtype
## --- ------ -------------- -----
## 0 sbp 462 non-null int64
## 1 tobacco 462 non-null float64
## 2 ldl 462 non-null float64
## 3 adiposity 462 non-null float64
## 4 famhist 462 non-null object
## 5 typea 462 non-null int64
## 6 obesity 462 non-null float64
## 7 alcohol 462 non-null float64
## 8 age 462 non-null int64
## 9 chd 462 non-null object
## dtypes: float64(5), int64(3), object(2)
## memory usage: 36.2+ KB
## Noneprint(datos.head())## sbp tobacco ldl adiposity famhist typea obesity alcohol age chd
## 0 160 12.00 5.73 23.11 Present 49 25.30 97.20 52 Si
## 1 144 0.01 4.41 28.61 Absent 55 28.87 2.06 63 Si
## 2 118 0.08 3.48 32.28 Present 52 29.14 3.81 46 No
## 3 170 7.50 6.41 38.03 Present 51 31.99 24.26 58 Si
## 4 134 13.60 3.50 27.78 Present 60 25.99 57.34 49 Si# Convierte las variables de object a categórica
datos['famhist'] = datos['famhist'].astype('category')
# Recodifica las categorías usando números
datos["famhist"] = datos["famhist"].cat.codes
# Convierte las variables de entero a categórica
datos['famhist'] = datos['famhist'].astype('category')
print(datos.info())## <class 'pandas.core.frame.DataFrame'>
## RangeIndex: 462 entries, 0 to 461
## Data columns (total 10 columns):
## # Column Non-Null Count Dtype
## --- ------ -------------- -----
## 0 sbp 462 non-null int64
## 1 tobacco 462 non-null float64
## 2 ldl 462 non-null float64
## 3 adiposity 462 non-null float64
## 4 famhist 462 non-null category
## 5 typea 462 non-null int64
## 6 obesity 462 non-null float64
## 7 alcohol 462 non-null float64
## 8 age 462 non-null int64
## 9 chd 462 non-null object
## dtypes: category(1), float64(5), int64(3), object(1)
## memory usage: 33.2+ KB
## Nonedatos.head()## sbp tobacco ldl adiposity famhist typea obesity alcohol age chd
## 0 160 12.00 5.73 23.11 1 49 25.30 97.20 52 Si
## 1 144 0.01 4.41 28.61 0 55 28.87 2.06 63 Si
## 2 118 0.08 3.48 32.28 1 52 29.14 3.81 46 No
## 3 170 7.50 6.41 38.03 1 51 31.99 24.26 58 Si
## 4 134 13.60 3.50 27.78 1 60 25.99 57.34 49 SiPoder Predictivo
Configuramos y creamos nuestras instancias.
lda = LinearDiscriminantAnalysis()
analisis_Sheart = Analisis_Predictivo(datos, predecir = "chd", modelo = lda,
train_size = 0.8, random_state = 0)Equilibrio de la variable a predecir.
analisis_Sheart.distribucion_variable_predecir()
plt.show()
Poder predictivo.
for var in datos.columns[0:9]:
if(datos[var].dtype in ['float64', 'int', 'float']):
analisis_Sheart.poder_predictivo_numerica(var)
plt.show()
else:
analisis_Sheart.poder_predictivo_categorica(var)
plt.show()
Predicción
Entrena, predice y mide la calidad.
resultados = analisis_Sheart.fit_predict_resultados()##
## Matriz de Confusión:
## [[52 9]
## [16 16]]
##
## Precisión Global:
## 0.7311827956989247
##
## Error Global:
## 0.26881720430107525
##
## Precisión por categoría:
## No Si
## 0 0.852459 0.5Análisis Discriminante Cuadrático
Ejemplo 1
Carga de datos
Se cargan los datos de iris.
datos = pd.read_csv('../datos/iris.csv', delimiter = ';', decimal = ".")
print(datos.shape)## (150, 5)print(datos.head())## s.largo s.ancho p.largo p.ancho tipo
## 0 5.1 3.5 1.4 0.2 setosa
## 1 4.9 3.0 1.4 0.2 setosa
## 2 4.7 3.2 1.3 0.2 setosa
## 3 4.6 3.1 1.5 0.2 setosa
## 4 5.0 3.6 1.4 0.2 setosaprint(datos.info())## <class 'pandas.core.frame.DataFrame'>
## RangeIndex: 150 entries, 0 to 149
## Data columns (total 5 columns):
## # Column Non-Null Count Dtype
## --- ------ -------------- -----
## 0 s.largo 150 non-null float64
## 1 s.ancho 150 non-null float64
## 2 p.largo 150 non-null float64
## 3 p.ancho 150 non-null float64
## 4 tipo 150 non-null object
## dtypes: float64(4), object(1)
## memory usage: 6.0+ KB
## NonePoder Predictivo
Creamos una instancia de la clase Analisis_Predictivo()
sin especificar un modelo.
analisis_Iris = Analisis_Predictivo(datos, predecir = "tipo")Distribución de la variable a predecir.
analisis_Iris.distribucion_variable_predecir()
plt.show()
Poder predictivo.
for var in datos.columns[0:4]:
if(datos[var].dtype in ['float64', 'int', 'float']):
analisis_Iris.poder_predictivo_numerica(var)
plt.show()
else:
analisis_Iris.poder_predictivo_categorica(var)
plt.show()
Predicción
Creamos una instancia de la clase
QuadraticDiscriminantAnalysis.
# Usamos los parámetros por defecto
qda = QuadraticDiscriminantAnalysis()Creamos una instancia de la clase Analisis_Predictivo()
especificando un modelo predictivo.
analisis_Iris = Analisis_Predictivo(datos, predecir = "tipo", modelo = qda,
train_size = 0.7, random_state = 0)Entrena el modelo y realiza la predicción sobre la tabla de testing
llamando al método fit_predict().
print("Las predicciones en Testing son: {}".format(analisis_Iris.fit_predict()))## Las predicciones en Testing son: ['virginica' 'versicolor' 'setosa' 'virginica' 'setosa' 'virginica'
## 'setosa' 'versicolor' 'versicolor' 'versicolor' 'virginica' 'versicolor'
## 'versicolor' 'versicolor' 'versicolor' 'setosa' 'versicolor' 'versicolor'
## 'setosa' 'setosa' 'virginica' 'versicolor' 'setosa' 'setosa' 'virginica'
## 'setosa' 'setosa' 'versicolor' 'versicolor' 'setosa' 'virginica'
## 'versicolor' 'setosa' 'virginica' 'virginica' 'versicolor' 'setosa'
## 'virginica' 'versicolor' 'versicolor' 'virginica' 'setosa' 'virginica'
## 'setosa' 'setosa']Entrena el modelo y realiza la predicción sobre la tabla de testing,
además muestra los principales índices de precisión para medir la
calidad del modelo. Esto utilizando el método
fit_predict_resultados().
resultados = analisis_Iris.fit_predict_resultados()##
## Matriz de Confusión:
## [[16 0 0]
## [ 0 17 1]
## [ 0 0 11]]
##
## Precisión Global:
## 0.9777777777777777
##
## Error Global:
## 0.022222222222222254
##
## Precisión por categoría:
## setosa versicolor virginica
## 0 1.0 0.944444 1.0Predicción con selección de variables
# Usamos los parámetros por defecto
qda = QuadraticDiscriminantAnalysis()
analisis_Iris = Analisis_Predictivo(datos, predecir = "tipo", predictoras = ["p.ancho","p.largo"],
modelo = qda, train_size = 0.7, random_state = 0)
#Podemos ver la tabla de training
analisis_Iris.X_train.head()## p.ancho p.largo
## 60 1.0 3.5
## 116 1.8 5.5
## 144 2.5 5.7
## 119 1.5 5.0
## 108 1.8 5.8#Entrenamos, predecimos y medimos la calidad del modelo generado
resultados = analisis_Iris.fit_predict_resultados()##
## Matriz de Confusión:
## [[16 0 0]
## [ 0 18 0]
## [ 0 0 11]]
##
## Precisión Global:
## 1.0
##
## Error Global:
## 0.0
##
## Precisión por categoría:
## setosa versicolor virginica
## 0 1.0 1.0 1.0Ejemplo 2
Carga de datos
Se cargan los datos de Scoring de Crédito.
datos = pd.read_csv('../datos/MuestraCredito5000V2.csv', delimiter = ';', decimal = ".")
print(datos.shape)## (5000, 6)print(datos.head())## MontoCredito IngresoNeto ... GradoAcademico BuenPagador
## 0 14327 1 ... Bachiller Si
## 1 111404 1 ... Bachiller Si
## 2 21128 1 ... Bachiller Si
## 3 15426 2 ... Bachiller Si
## 4 10351 1 ... Bachiller Si
##
## [5 rows x 6 columns]print(datos.info())## <class 'pandas.core.frame.DataFrame'>
## RangeIndex: 5000 entries, 0 to 4999
## Data columns (total 6 columns):
## # Column Non-Null Count Dtype
## --- ------ -------------- -----
## 0 MontoCredito 5000 non-null int64
## 1 IngresoNeto 5000 non-null int64
## 2 CoefCreditoAvaluo 5000 non-null int64
## 3 MontoCuota 5000 non-null object
## 4 GradoAcademico 5000 non-null object
## 5 BuenPagador 5000 non-null object
## dtypes: int64(3), object(3)
## memory usage: 234.5+ KB
## NoneNota: Está tomando erroneamente los datos como numéricos, en este caso se deben convertir las variables categóricas porque en realidad estos numéros son códigos NO es que siempre se deban convertir las variables numéricas a categórica.
# Convierte las variables de object a categórica
datos['IngresoNeto'] = datos['IngresoNeto'].astype('category')
datos['CoefCreditoAvaluo'] = datos['CoefCreditoAvaluo'].astype('category')
datos['MontoCuota'] = datos['MontoCuota'].astype('category')
datos['GradoAcademico'] = datos['GradoAcademico'].astype('category')
# Recodifica las categorías usando números
datos["MontoCuota"] = datos["MontoCuota"].cat.codes
datos["GradoAcademico"] = datos["GradoAcademico"].cat.codes
# Convierte las variables de entero a categórica
datos['MontoCuota'] = datos['MontoCuota'].astype('category')
datos['GradoAcademico'] = datos['GradoAcademico'].astype('category')
print(datos.head())## MontoCredito IngresoNeto ... GradoAcademico BuenPagador
## 0 14327 1 ... 0 Si
## 1 111404 1 ... 0 Si
## 2 21128 1 ... 0 Si
## 3 15426 2 ... 0 Si
## 4 10351 1 ... 0 Si
##
## [5 rows x 6 columns]print(datos.info())## <class 'pandas.core.frame.DataFrame'>
## RangeIndex: 5000 entries, 0 to 4999
## Data columns (total 6 columns):
## # Column Non-Null Count Dtype
## --- ------ -------------- -----
## 0 MontoCredito 5000 non-null int64
## 1 IngresoNeto 5000 non-null category
## 2 CoefCreditoAvaluo 5000 non-null category
## 3 MontoCuota 5000 non-null category
## 4 GradoAcademico 5000 non-null category
## 5 BuenPagador 5000 non-null object
## dtypes: category(4), int64(1), object(1)
## memory usage: 98.6+ KB
## NonePoder Predictivo
Configuramos y creamos nuestras instancias.
qda = QuadraticDiscriminantAnalysis()
analisis_scoring = Analisis_Predictivo(datos, predecir = "BuenPagador", modelo = qda,
train_size = 0.75, random_state = 0)Balance de las clases en la variable a predecir - Problema desvalanceado.
analisis_scoring.distribucion_variable_predecir()
plt.show()
Poder predictivo.
for var in datos.columns[0:5]:
if(datos[var].dtype in ['float64', 'int', 'float']):
analisis_scoring.poder_predictivo_numerica(var)
plt.show()
else:
analisis_scoring.poder_predictivo_categorica(var)
plt.show()
Predicción
Entrenamos el modelo y medimos la calidad del mismo con la predicción generada con base a la tabla de testing.
resultados = analisis_scoring.fit_predict_resultados()##
## Matriz de Confusión:
## [[ 28 138]
## [ 51 1033]]
##
## Precisión Global:
## 0.8488
##
## Error Global:
## 0.1512
##
## Precisión por categoría:
## No Si
## 0 0.168675 0.952952También podemos simplemente guardar los resultados y no imprimir en pantalla.
resultados = analisis_scoring.fit_predict_resultados(imprimir = False)
resultados## {'Matriz de Confusión': array([[ 28, 138],
## [ 51, 1033]]), 'Precisión Global': 0.8488, 'Error Global': 0.1512, 'Precisión por categoría': No Si
## 0 0.168675 0.952952}Ejemplo 3
Carga de datos
Se cargan los datos de SAHeart.
datos = pd.read_csv('../datos/SAheart.csv',delimiter=';',decimal=".")
print(datos.shape)## (462, 10)print(datos.info())## <class 'pandas.core.frame.DataFrame'>
## RangeIndex: 462 entries, 0 to 461
## Data columns (total 10 columns):
## # Column Non-Null Count Dtype
## --- ------ -------------- -----
## 0 sbp 462 non-null int64
## 1 tobacco 462 non-null float64
## 2 ldl 462 non-null float64
## 3 adiposity 462 non-null float64
## 4 famhist 462 non-null object
## 5 typea 462 non-null int64
## 6 obesity 462 non-null float64
## 7 alcohol 462 non-null float64
## 8 age 462 non-null int64
## 9 chd 462 non-null object
## dtypes: float64(5), int64(3), object(2)
## memory usage: 36.2+ KB
## Noneprint(datos.head())## sbp tobacco ldl adiposity famhist typea obesity alcohol age chd
## 0 160 12.00 5.73 23.11 Present 49 25.30 97.20 52 Si
## 1 144 0.01 4.41 28.61 Absent 55 28.87 2.06 63 Si
## 2 118 0.08 3.48 32.28 Present 52 29.14 3.81 46 No
## 3 170 7.50 6.41 38.03 Present 51 31.99 24.26 58 Si
## 4 134 13.60 3.50 27.78 Present 60 25.99 57.34 49 Si# Convierte las variables de object a categórica
datos['famhist'] = datos['famhist'].astype('category')
# Recodifica las categorías usando números
datos["famhist"] = datos["famhist"].cat.codes
# Convierte las variables de entero a categórica
datos['famhist'] = datos['famhist'].astype('category')
print(datos.info())## <class 'pandas.core.frame.DataFrame'>
## RangeIndex: 462 entries, 0 to 461
## Data columns (total 10 columns):
## # Column Non-Null Count Dtype
## --- ------ -------------- -----
## 0 sbp 462 non-null int64
## 1 tobacco 462 non-null float64
## 2 ldl 462 non-null float64
## 3 adiposity 462 non-null float64
## 4 famhist 462 non-null category
## 5 typea 462 non-null int64
## 6 obesity 462 non-null float64
## 7 alcohol 462 non-null float64
## 8 age 462 non-null int64
## 9 chd 462 non-null object
## dtypes: category(1), float64(5), int64(3), object(1)
## memory usage: 33.2+ KB
## Nonedatos.head()## sbp tobacco ldl adiposity famhist typea obesity alcohol age chd
## 0 160 12.00 5.73 23.11 1 49 25.30 97.20 52 Si
## 1 144 0.01 4.41 28.61 0 55 28.87 2.06 63 Si
## 2 118 0.08 3.48 32.28 1 52 29.14 3.81 46 No
## 3 170 7.50 6.41 38.03 1 51 31.99 24.26 58 Si
## 4 134 13.60 3.50 27.78 1 60 25.99 57.34 49 SiPoder Predictivo
Configuramos y creamos nuestras instancias.
qda = QuadraticDiscriminantAnalysis()
analisis_Sheart = Analisis_Predictivo(datos, predecir = "chd", modelo = qda,
train_size = 0.8, random_state = 0)Equilibrio de la variable a predecir.
analisis_Sheart.distribucion_variable_predecir()
plt.show()
Poder predictivo.
for var in datos.columns[0:9]:
if(datos[var].dtype in ['float64', 'int', 'float']):
analisis_Sheart.poder_predictivo_numerica(var)
plt.show()
else:
analisis_Sheart.poder_predictivo_categorica(var)
plt.show()
Predicción
Entrena, predice y mide la calidad.
resultados = analisis_Sheart.fit_predict_resultados()##
## Matriz de Confusión:
## [[52 9]
## [16 16]]
##
## Precisión Global:
## 0.7311827956989247
##
## Error Global:
## 0.26881720430107525
##
## Precisión por categoría:
## No Si
## 0 0.852459 0.5